MARC

 008250123s2024        us                              c    eng  d
■001000017162378
■00520250211152005
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382837741
■035    ▼a(MiAaPQ)AAI31330475
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHuang,  Zijie.
■24510▼aNeural  Dynamics  for  Science:  The  Symbiosis  of  Deep  Graph  Learning  and  Differential  Equations
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a159  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Sun,  Yizhou;Wang,  Wei.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aMany  scientific  problems  require  a  deep  understanding  of  internal  structures  and  complex  dynamics,  spanning  physical  interactions  within  molecules,  brain  networks,  and  beyond.  These  problems  can  be  formulated  as  modeling  interacting  dynamical  systems  using  graphs,  which  represent  entities  as  nodes  and  their  relationship  as  edges.  Traditionally,  the  dynamics  of  interacting  systems  are  described  by  ordinary  differential  equations  (ODEs),  offering  continuous  and  interpretable  solutions  but  requiring  significant  domain  expertise.  Recent  data-driven  approaches  such  as  Graph  Neural  Networks  (GNNs)  learn  system  dynamics  from  observational  data,  which  however,  struggle  with  long-term  predictions  and  irregular  observations  due  to  their  discrete  dynamics.My  research  aims  to  develop  novel  frameworks  that  bridge  these  two  worlds,  i.e.  combining  the  learning  power  of  neural  networks  (NNs)  with  the  symbolic  knowledge  encoded  in  ODEs.  In  contrast  with  discrete  models,  such  methods  provide  a  principled  approach  to  model  continuous  dynamical  systems,  from  synthetic  simulations  to  real-world  scenarios  like  brain  network  analysis  and  COVID-19  prediction.  Building  upon  this,  I  have  further  strengthened  its  power  in  three  key  areas:  1.)  integrating  data-driven  inductive  biases  like  energy  conservation  law;  2.)  enhancing  generalization  ability;  3.)  enabling  causal  decision-making.  By  merging  deep  graph  learning  with  differential  equations,  I  believe  my  research  will  pave  the  way  for  breakthroughs  in  symbolic  deep  learning  for  scientific  discovery. 
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼aGraph  Neural  Networks
■653    ▼aOrdinary  differential  equations
■653    ▼aCOVID-19
■653    ▼aDeep  graph  learning
■653    ▼aBrain  networks
■690    ▼a0984
■690    ▼a0464
■71020▼aUniversity  of  California,  Los  Angeles▼bComputer  Science  0201.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162378▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books